前言
本文隶属于专栏《1000个问题搞定大数据技术体系》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！
本专栏目录结构和参考文献请见1000个问题搞定大数据技术体系
正文
-
分桶是相对分区进行更细粒度的划分。
-
分桶将整个数据内容安装某列属性值取 hash 值进行区分，具有相同 hash 值的数据进入到同一个文件中。
举例说明
-
比如按照 name 属性分为3个桶，就是对 name 属性值的 hash 值对 3 取摸，按照取模结果对数据分桶。
-
取模结果为 0 的数据记录存放到一个文件
-
取模结果为 1 的数据记录存放到一个文件
-
取模结果为 2 的数据记录存放到一个文件
-
取模结果为 3 的数据记录存放到一个文件
作用
- 取样 sampling 更高效。没有分区的话需要扫描整个数据集。
- 提升某些查询操作效率，例如 map side join
实践
1、创建分桶表
# 在创建分桶表之前要执行命令
> set hive.enforce.bucketing=true; //开启对分桶表的支持
> set mapreduce.job.reduces=4; //设置与桶相同的reduce个数（默认只有一个reduce）
--分桶表
create table user_buckets_demo(id int， name string)
clustered by(id)
into 4 buckets
row format delimited fields terminated by '\t';
--普通表
create table user_demo(id int， name string)
row format delimited fields terminated by '\t';
2、准备数据文件 buckets.txt
1 laowang1
2 laowang2
3 laowang3
4 laowang4
5 laowang5
6 laowang6
7 laowang7
8 laowang8
9 laowang9
10 laowang10
3、加载数据到普通表 user_demo 中
load data local inpath '/opt/bigdata/data/buckets.txt' into table user_demo;
4、加载数据到桶表user_buckets_demo中
insert into table user_buckets_demo select * from user_demo;
5、hdfs上查看表的数据目录
6、抽样查询桶表的数据
- tablesample 抽样语句，语法：
tablesample(bucket x out of y)
- x表示从第几个桶开始取数据
- y表示桶数的倍数，一共需要从 桶数/y 个桶中取数据
select * from user_buckets_demo tablesample(bucket 1 out of 2)
-- 需要的总桶数=4/2=2个
-- 先从第1个桶中取出数据
-- 再从第1+2=3个桶中取出数据